ACLJun, 2023

RE-Matching：针对零样本关系提取的细粒度语义匹配方法

PDF
TL;DR该研究主要针对零样本关系提取中的语义匹配问题，通过设计一种细粒度语义匹配方法，将句子级相似度分成实体和语境匹配分数，并通过特征蒸馏模块自适应识别与关系无关的特征，从而提高匹配率和推理速度。
发现论文，激发创造
  • 融合使完美：一种高效的多粒度匹配方法用于零样本关系抽取

    通过使用虚拟实体匹配来降低手工注释成本，并结合粗粒度召回和细粒度分类的多颗粒度匹配方法，我们的研究在零样本关系抽取任务中在推理效率和预测准确性之间取得了平衡，超越了先前的最先进方法。

    Jun, 2024

  • 统一低样本关系抽取的匹配预训练

    本文提出了一种 Multi-Choice 匹配网络来统一少样本关系抽取，使用三元组改写元训练来填补零样本和少样本之间的差距，实验结果表明所提出的方法在三种不同的少样本关系抽取任务上表现优异，是少样本关系抽取领域中表现最好的模型。

    Mar, 2022

  • 把握要点：为零 shot 关系抽取量身定制大型语言模型

    通过使用语言模型生成初始种子实例并结合反馈进行改进，在关系抽取任务中实现零样本学习，取得了较基准方法更好的性能。

    Feb, 2024

  • 基于细粒度语义信息的远程监督关系抽取方法

    本文聚焦于关系抽取，提出假设：句子中关键语义信息对实体关系抽取起着关键作用，通过内部注意机制提取句子内细粒度的语义特征，证明该关系抽取模型比已有方法具有更优的准确率和召回率。

    Feb, 2023

  • 利用粗到细的基于词典的检索器改进少样本和零样本实体连接

    本论文提出了一种基于词典的粗粒度到细粒度检索器，在两个层次上进行检索，以有效地检索实体候选项，并利用实体描述来消除与现有流行实体重名的尾部或新实体的歧义性，实验结果表明，我们的方法在不需要进行大量微调的情况下可以获得卓越的性能，在中文 Few-shot 和 Zero-shot 实体链接的 NLPCC 2023 共享任务 6 中名列第一。

    Aug, 2023

  • 基于逻辑引导的零样本关系分类语义表示学习

    该研究提出了一种基于逻辑引导的语义表示学习模型，通过知识图谱嵌入和逻辑规则，在已知和未知关系之间建立联系，用于零样本关系分类。实验结果表明，该方法可以推广到未见关系类型，并取得了有希望的提升。

    Oct, 2020

  • ZeroShotCeres: 半结构化网页的零样本关系抽取

    本文提出了一种使用图神经网络技术，实现从之前未见过的模板中提取出信息的 “零样本” 关系提取模型，并在实验中证明该方法相较于基础模型有 31% 的 F1 值提升。

    May, 2020

  • 基于序列标注的少样本关系抽取框架

    本篇论文提出基于序列标注联合提取方法的小样本关系抽取任务，利用少量标注数据解决领域中标注数据不足的问题，并将两种实际序列标注模型应用于这个框架达到了良好的效果。

    Aug, 2022

  • 基于预训练语言模型的上下文小样本关系抽取

    通过预训练的语言模型，我们提出了一种新颖的在上下文中进行少样本关系抽取的框架，该框架可以消除命名实体识别和人工注释文档的需要，并实现了与现有方法相比最先进的性能。

    Oct, 2023

  • 动态语义匹配与聚合网络用于少样本意图检测

    本文提出了一种基于多头自注意力和动态正则化约束的语义匹配聚合网络，为 few-shot 意图检测任务提供了更为有效的匹配方法，并在进行了广泛实验后证明了我们方法的有效性。

    Oct, 2020